短期负荷预测是电力系统调度运营部门的一项重要工作,尤其是随着电力市场的建立和发展,短期负荷预测将发挥愈加重要的作用。其预测精度的高低将对电力系统运行的安全性、经济性产生重大影响。在传统的负荷预测模型中,循环神经网络因其自身对时间序列的特殊处理方式,在负荷预测方面展现出不凡的优势和潜力。随着大数据时代的来临,以及深度学习的提出和发展,使传统负荷预测模型的精度有更大的提升空间。本文研究的主要问题是基于深度学习的循环网络在短期负荷预测领域的应用,主要包括以下内容:首先对现阶段负荷预测的多种预测模型、及其各自的优缺点和适用范围进行归纳总结,并且结合国内外研究现状,分析了深度学习及其相关算法在负荷预测领域的应用及发展前景,确定了采用基于深度学习的循环神经网络作为负荷预测的主要方法。然后学习总结多项研究中对输入特征的选择类型,对负荷数据进行处理,利用自相关分析法确定相关历史数据的最大滞后因数为Lag=13,考虑负荷周期性和空间相似性,确定将当日负荷序列、前一日负荷序列、周极大相似负荷序列作为输入特征量。随后利用深度学习模型对历史负荷序列的特征挖掘能力,搭建了深度学习网络构架,在此构架下分别以LSTM、GRU、CNN为内核进行建模,以网格化枚举搜索方式对模型优化。最后得到当隐含层为1,全连接层隐含节点为5时:LSTM在循环深度为2时预测集误差MAPE为2.35%,GRU在循环深度为4时预测集误差MAPE为2.03%,CNN在卷积层深度为4时预测集误差MAPE为2.87%;针对传统循环网络在随着网络深度加深出现的训练难度大、训练时间长的问题,以及深度学习网络超参数选择困难、优化效率较低的问题,将提升网络效率与超参数优化效率作为进一步的研究方向。受目前深度学习领域最新成果Res Net和Dense Net的启发,在简单循环神经网络中增加残差结构,通过实验和选择,最终确定在残差结构中加入全连接层,并辅以标准化层,构建残差循环网络结构(Res RNN);并通过实例验证得:Res RNN相比LSTM和GRU,在训练成本和网络性能两方面都有优势。最后考虑到目前在负荷预测领域,研究者在深度学习模型的超参数优化中,通常依靠主观经验,或者通过枚举参数组合进行大量尝试。本文提出基于贝叶斯超参优化的残差循环算法:算法采用更为高效的残差循环网络,利用高斯过程建立代理函数,通过采集函数逐步优化,最后确定最优超参数组合。在算例分析中,经过20次超参数优化后,基于贝叶斯超参优化的残差循环算法得到的模型误差MAPE降低0.28%,节约优化时间138min,为基于深度学习的负荷预测模型的自动化高效调优提供了新的思路。